干旱预报对于水资源管理和有效应对干旱具有重要意义，干旱的可预报性可能随着环境的变化而变化。大部分研究集中于干旱预报技术的开发，而对干旱可预报性的理论研究较少，如气象干旱可预报性的动态变化及其可能的驱动机制等。基于支持向量机回归模型的Kling-Gupta效率（KGE"）系数表征了气象干旱的可预报性，测度了干旱可预报性的空间分布、集聚性和动态变化，定量分析了干旱可预报性时空变化的主要驱动力及其关系。
以中国生态环境脆弱的干旱易发区黄土高原为例，研究结果表明：（1）黄土高原西部地区干旱可预报性高于东部地区，热点区域集中在西部沙地和农业灌区；（2）受环境变化影响，1962—2019年黄土高原气象干旱可预报性呈现下降趋势，秋季干旱可预报性下降明显；（3）气象、陆地因素和海气耦合要素通过强烈影响干旱指数序列的变异系数，主导了气象干旱可预报性的时空格局，并探讨了相关的因果路径。该研究为变化环境下干旱可预报性动态研究提供了新的思路，对于提高干旱预报、预警和减灾能力具有重要意义。
图3. KGE "空间分布，(a)表示按一年中各月份计算的KGE"，(be)分别表示春季（3月至5月）、夏季（6月至8月）、秋季（9月至11月）和冬季（12月至次年2月）。
图4. KGE " LISA聚类图，(ae)含义与图3相同。HH表示第i区域干旱可预测性高，周边区域平均干旱可预测性高；LL表示第i区域属性低，周边区域属性均值低；LH表示第i区域属性均值低，周边区域属性均值高；HL表示第i区域属性高，周边区域属性平均值低；ns表示分布随机，不显著（姚明等，2022）。
图5.不同滑动窗口下干旱可预报性KGE”动态，（ae）含义与图3相同，折线表示移动窗口下的平均链接线。
图6.滑动窗口中KGE”动态变化的空间分布，（ae）表示与图3中相同的含义。
图7 SPEI -CV与干旱可预报性KGE"关系(a)滑动窗口SPEI-CV均值空间分布；(b)SPEI-CV与KGE"双变量LISA聚类图，HH表示i区域SPEI-CV较高，周边区域平均KGE"也较高。LL表示i区域SPEI-CV均值较低，周边区域平均KGE"较低。LH表示i区域SPEI-CV均值较低，周边区域平均KGE"较高。HL表示i区域SPEI-CV均值较高，周边区域平均KGE"较低。ns表示分布随机，不显著。
图8.地理探测器对各因素相互作用的检测结果，(ae)含义与图3相同。
图9.基于随机森林重要性的驱动因素面积占比——最重要的因素，（ae）含义与图3相同。
图10滑动窗口下气象干旱可预报性主导因子KGE”变化的空间分布，(ae)含义同图3。
图11.气象干旱可预报性结构方程模型。(a)气象干旱可预报性静态空间分布主导因子结构方程模型；(b)气象干旱可预报性动态变化主导因子结构方程模型。***：P < 0.001；**：P < 0.01。红色箭头代表正贡献，绿色箭头代表负贡献，实线代表直接作用，虚线代表间接作用，箭头旁边的数字代表标准化路径系数。箭头开头代表自变量，结尾代表因变量，两变量之间的标准化路径系数代表直接影响。
干旱区气象生态拥有近1w活跃粉丝，是干旱区资源环境领域最大的自媒体平台，致力于帮助科研人员和团队宣传成果，促进学术交流。由于微信修改了推送规则，请大家将本公众号加为星标，一键三连，可以第一时间收到我们每日的推文！您的鼓励是我们最大的动力😊
